为什么用 python 编写的决策树代码的预测结果与用 R 编写的代码不同？

我正在 python 和 R 中使用 sklearn 的 load_iris 数据集（在 R 中称为 iris）。

我使用“基尼”索引以两种语言构建了模型，并且当直接从虹膜数据集中获取测试数据时，我能够在两种语言中正确测试模型。

但是，如果我给出一个新的数据集作为测试输入，对于相同的 python 和 R 会将其放入不同的类别。

我不确定我在这里错过了什么或做错了什么，因此非常感谢任何指导。

下面提到的代码： Python 2.7：

from sklearn.datasets import load_iris
from sklearn import tree
iris = load_iris()
model = tree.DecisionTreeClassifier(criterion='gini')
model.fit(iris.data, iris.target)
model.score(iris.data, iris.target)
print iris.data[49],model.predict([iris.data[49]])
print iris.data[99],model.predict([iris.data[99]])
print iris.data[100],model.predict([iris.data[100]])
print iris.data[149],model.predict([iris.data[149]])
print [6.3,2.8,6,1.3],model.predict([[6.3,2.8,6,1.3]])

R-Rstudio 运行 3.3.2 32 位：

library(rpart)
iris<- iris
x_train = iris[c('Sepal.Length','Sepal.Width','Petal.Length','Petal.Width')]
y_train = as.matrix(cbind(iris['Species']))
x <- cbind(x_train,y_train)
fit <- rpart(y_train ~ ., data = x_train,method="class",parms = list(split = "gini"))
summary(fit)
x_test = x[149,]
x_test[,1]=6.3
x_test[,2]=2.8
x_test[,3]=6
x_test[,4]=1.3
predicted1= predict(fit,x[49,]) # same as python result
predicted2= predict(fit,x[100,]) # same as python result 
predicted3= predict(fit,x[101,]) # same as python result
predicted4= predict(fit,x[149,]) # same as python result
predicted5= predict(fit,x_test) ## this value does not match with pythons result

我的Python输出是：

[ 5.   3.3  1.4  0.2] [0]
[ 5.7  2.8  4.1  1.3] [1]
[ 6.3  3.3  6.   2.5] [2]
[ 5.9  3.   5.1  1.8] [2]
[6.3, 2.8, 6, 1.3] [2] -----> this means it's putting the test data into virginica bucket

R 输出为：

> predicted1
   setosa versicolor virginica
49      1          0         0
> predicted2
    setosa versicolor  virginica
100      0  0.9074074 0.09259259
> predicted3
    setosa versicolor virginica
101      0 0.02173913 0.9782609
> predicted4
    setosa versicolor virginica
149      0 0.02173913 0.9782609
> predicted5
    setosa versicolor  virginica
149      0  0.9074074 0.09259259 --> this means it's putting the test data into versicolor bucket

请帮忙。谢谢。

决策树涉及相当多的参数（最小/最大叶子大小、树的深度、何时分割等），并且不同的包可能有不同的默认设置。如果您想获得相同的结果，则需要确保隐式默认值相似。例如，尝试运行以下命令：

fit <- rpart(y_train ~ ., data = x_train,method="class",
             parms = list(split = "gini"), 
             control = rpart.control(minsplit = 2, minbucket = 1, xval=0, maxdepth = 30))

(predicted5= predict(fit,x_test))
    setosa versicolor virginica
149      0  0.3333333 0.6666667

在这里，选项minsplit = 2, minbucket = 1, xval=0 and maxdepth = 30被选择以便与sklearn- 选项，请参阅here http://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html. maxdepth = 30是最大值rpart会让你拥有；sklearn这里没有界限）。如果您希望概率等相同，您可能想尝试一下cp参数也是如此。

同样，与

model = tree.DecisionTreeClassifier(criterion='gini', 
                                    min_samples_split=20, 
                                    min_samples_leaf=round(20.0/3.0), max_depth=30)
model.fit(iris.data, iris.target)

I get

print model.predict([iris.data[49]])
print model.predict([iris.data[99]])
print model.predict([iris.data[100]])
print model.predict([iris.data[149]])
print model.predict([[6.3,2.8,6,1.3]])

[0]
[1]
[2]
[2]
[1]

这看起来与你最初的非常相似R output.

不用说，当您的预测（在训练集上）看起来“不合理地好”时要小心，因为您可能会过度拟合数据。例如，看看model.predict_proba(...)，这给你的概率sklearn（而不是预测的类别）。您应该看到，使用当前的 Python 代码/设置，您几乎肯定会过度拟合。